論文の概要: Concurrence: A dependence criterion for time series, applied to biological data

• arxiv url: http://arxiv.org/abs/2512.16001v1
• Date: Wed, 17 Dec 2025 22:10:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-19 18:10:31.841599
• Title: Concurrence: A dependence criterion for time series, applied to biological data
• Title（参考訳）: 一致:生物データに適用した時系列の依存基準
• Authors: Evangelos Sariyanidi, John D. Herrington, Lisa Yankowitz, Pratik Chaudhari, Theodore D. Satterthwaite, Casey J. Zampella, Jeffrey S. Morris, Edward Gunning, Robert T. Schultz, Russell T. Shinohara, Birkan Tunc,
• Abstract要約: 本稿では,時間的アライメントと非アライメントセグメントを区別する分類器を構築することができれば,2つの時系列が依存すると考えられる依存性の基準を導入する。 この基準は理論上は依存と結びついており、科学的な分析の標準的アプローチとなりうることを示す。
• 参考スコア（独自算出の注目度）: 13.344221983316658
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Measuring the statistical dependence between observed signals is a primary tool for scientific discovery. However, biological systems often exhibit complex non-linear interactions that currently cannot be captured without a priori knowledge or large datasets. We introduce a criterion for dependence, whereby two time series are deemed dependent if one can construct a classifier that distinguishes between temporally aligned vs. misaligned segments extracted from them. We show that this criterion, concurrence, is theoretically linked with dependence, and can become a standard approach for scientific analyses across disciplines, as it can expose relationships across a wide spectrum of signals (fMRI, physiological and behavioral data) without ad-hoc parameter tuning or large amounts of data.
• Abstract（参考訳）: 観測信号間の統計的依存を測定することは、科学的発見の主要なツールである。 しかし、生物系は複雑な非線形相互作用を示すことが多く、現在では先駆的な知識や大規模なデータセットなしでは捉えられない。 本稿では,時間的アライメントと非アライメントセグメントを区別する分類器を構築することができれば,2つの時系列が依存すると考えられる依存性の基準を導入する。 この基準は理論的には依存と結びついており、アドホックなパラメータチューニングや大量のデータを必要とすることなく、広い範囲の信号(fMRI、生理学、行動データ)にまたがる関係を明らかにすることができるため、分野にわたって科学的分析の標準的アプローチとなる可能性がある。

関連論文リスト

• Measuring Dependencies between Biological Signals with Self-supervision, and its Limitations [17.74984497708191]
  この手法は、2つの信号が依存している場合、時間的に整合したセグメントと不整合したセグメントを区別できるという観察に着想を得たものである。 fMRI、生理的、行動的な信号を用いた実験では、コンカレンス(英語版)がこのような広い範囲の信号間の関係を露呈する最初のアプローチであることが示された。
  論文  参考訳（メタデータ） (2025-07-29T21:15:13Z)
• Flow based approach for Dynamic Temporal Causal models with non-Gaussian or Heteroscedastic Noises [37.02662517645979]
  因果発見のための統合フレームワークであるFANTOMを紹介する。 非定常過程と非ガウス的および異方性雑音を扱う。 同時にレジームの数と対応するインデックスを推測し、各レジームのディレクテッド・アサイクリックグラフを学習する。
  論文  参考訳（メタデータ） (2025-06-20T15:12:43Z)
• Detecting and Identifying Selection Structure in Sequential Data [53.24493902162797]
  我々は,音楽のシーケンスなどの実践的な状況において,潜在目的に基づくデータポイントの選択的包摂が一般的である,と論じる。 選択構造はパラメトリックな仮定や介入実験なしで識別可能であることを示す。 また、他の種類の依存関係と同様に、選択構造を検知し、識別するための証明可能な正当性アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-06-29T20:56:34Z)
• Causal Temporal Regime Structure Learning [49.77103348208835]
  本稿では,DAG(Directed Acyclic Graph)を並列に学習する新しい手法であるCASTORを提案する。 我々は我々の枠組みの中で体制とDAGの識別可能性を確立する。 実験により、CASTORは既存の因果発見モデルより一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2023-11-02T17:26:49Z)
• Probabilistic Learning of Multivariate Time Series with Temporal Irregularity [21.361823581838355]
  実世界の時系列はしばしば、一様間隔や不整合変数を含む時間的不規則に悩まされる。 本稿では,変数の連立分布を任意の連続点で捉えながら,時間的不規則性をモデル化するエンドツーエンドフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-15T14:08:48Z)
• Robust Detection of Lead-Lag Relationships in Lagged Multi-Factor Models [61.10851158749843]
  データ固有のリード-ラグ関係を発見することで、重要な洞察を得ることができる。 階層化多要素モデルにおけるリードラグ関係のロバスト検出のためのクラスタリング駆動手法を開発した。
  論文  参考訳（メタデータ） (2023-05-11T10:30:35Z)
• Leveraging Pre-Images to Discover Nonlinear Relationships in Multivariate Environments [0.0]
  因果発見は、人工知能を用いた科学的発見において重要な機能を提供する。 多くの実世界の時間観測が互いに非線形に関連していることが判明した。 本手法は,観測が時間によって制限され,非線形に関連している場合に,最先端の因果発見法より優れていることを示す。
  論文  参考訳（メタデータ） (2021-06-01T22:42:51Z)
• Consistency of mechanistic causal discovery in continuous-time using Neural ODEs [85.7910042199734]
  ダイナミカルシステムの研究において,連続時間における因果的発見を検討する。 本稿では,ニューラルネットワークを用いた因果探索アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-05-06T08:48:02Z)
• Disentangling Observed Causal Effects from Latent Confounders using Method of Moments [67.27068846108047]
  我々は、軽度の仮定の下で、識別性と学習可能性に関する保証を提供する。 我々は,線形制約付き結合テンソル分解に基づく効率的なアルゴリズムを開発し,スケーラブルで保証可能な解を得る。
  論文  参考訳（メタデータ） (2021-01-17T07:48:45Z)
• Independence Testing for Temporal Data [14.25244839642841]
  根本的な問題は、2つの時系列が関連しているかどうかである。 既存のアプローチには、パラメトリックな仮定に依存するような制限があることが多い。 本稿では,時間的データ間の独立性をテストするブロック置換を用いた時間的依存統計法を提案する。
  論文  参考訳（メタデータ） (2019-08-18T17:19:16Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。